Тип работы:
Предмет:
Язык работы:


Автоматизация скважинных штанговых насосных установок на основе применения элементов искусственного интеллекта

Работа №85258

Тип работы

Магистерская диссертация

Предмет

автоматизация технологических процессов

Объем работы86
Год сдачи2017
Стоимость4940 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
177
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 3
АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ 5
1.1 Обзор способов добычи нефти 5
1.2 Обзор технологического объекта СШНУ 14
1.3 Обзор контролируемых параметров и методов диагностики работы СШНУ 17
1.4 Сравнительный обзор систем управления СШНУ 25
1.5 Постановка цели и задачи работы 26
РАЗРАБОТКА СИСТЕМЫ ДИАГНОСТИРОВАНИЯ НЕИСПРАВНОСТЕЙ 27
2.1 Выбор элементов искусственного интеллекта для распознавания состояния 27
2.2 Разработка методики распознавания с помощью нейронной сети 33
2.3 Реализация работы нейронной сети 44
РАЗРАБОТКА СИСТЕМЫ УПРАВЛЕНИЯ СШНУ 57
3.1 Разработка структурной схемы автоматизированной системы управления СШНУ 57
3.2 Разработка функциональной схемы 58
РАЗРАБОТКА СИСТЕМЫ ОПРЕДЕЛЕНИЯ ОПТИМАЛЬНОГО РЕЖИМА РАБОТЫ СШНУ61
4.1 Разработка методики расчета дебита 61
4.2 Разработка методики расчета оптимальной скорости откачки 67
4.3 Разработка алгоритмов 74
ЗАКЛЮЧЕНИЕ 84
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Нефтяная промышленность является одной из наиболее важных отраслей экономики, обеспечивающей значительную долю доходов бюджета страны. Несмотря на некоторый рост добычи нефти в последние годы, перед отечественными нефтедобывающими компаниями возникает проблема постепенного истощения нефтяных месторождений.
Более половины фонда добывающих скважин находятся в диапазоне низких дебитов и грани рентабельности.
Эксплуатационные скважины являются основными и самыми массовыми объектами технологического комплекса добычи нефти, а также основными потребителями капитальных вложений и эксплуатационных затрат.
Не менее 80% всего действующего фонда скважин эксплуатируются скважинными штанговыми насосными установками, причем имеется тенденция к увеличению абсолютного и относительного их числа. Основной фонд- это 80% эксплуатируются СШНУ и Причинами являются истощение месторождений и связанное с этим уменьшение дебита, а также разработка трудноизвлекаемых и вязких нефтей.
Условия эксплуатации глубиннонасосной установки характеризуется постепенным изменением производительности скважины и требуют организации правильного режима эксплуатации скважин постоянным контролем за техническим состоянием насосного оборудования и за соответствием скорости отбора жидкости насосом и в случае необходимости, изменением производительности насосного оборудования.
Для повышения эффективности систем разработки требуется снижение эксплуатационных и энергетических затрат на обслуживание и ремонт действующих скважин, сокращение аварий подземного оборудования, обеспечение управляемости основных технологических установок, обеспечение экономичности всех процессов и оборудования.
Применение автоматизированных систем контроля состояния и управления режимом работы насосного оборудования позволит значительно повысить эффективность добычи нефти с одной стороны, снизить заявленную мощность и износ оборудования, уменьшить количество простоев, а с другой стороны повысить коэффициент извлечения нефти за счет регулируемой выработки запасов нефти, что значительно уменьшит себестоимость каждой добытой тонны нефти.
Таким образом целью работы является повышение эффективности технологического процесса добычи нефти с помощью скважинной штанговой насосной установки (СШНУ) за счет разработки автоматизированной системы управления нефтедобывающей скважины с элементами искусственного интеллекта.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В результате выполнения магистерской диссертации проведен анализ предметной области, анализ факторов, влияющих на работу СШНУ. Была разработана интеллектуальная система распознавания состояния СШНУ по динамограмме. Задача распознавания состояния СШНУ по динамограмме сводится к задаче классификации, когда каждому классу поставлено в соответствие отдельное состояние установки. Поэтому для обеспечения необходимого быстродействия и возможности распознавания динамограмм в режиме реального времени использовались искусственные нейронные сети.
Была разработана методика расчета оптимального режима работы СШНУ основанная на определении скорости откачки по текущему дебиту и уровню жидкости.



1. Аверкин А.Н. и др. Толковый словарь по искусственному интеллекту // 1992. - 256.
2. Садов, В.Б. Определение дефектов оборудования нефтяной скважины по динамограмме / В.Б. Садов // Вестник юургу. Серия «Компьютерные технологии, управление, радиоэлектроника». - 2013. - Т. 13
3. Дьяконов В. П. Matlab 6: учебный курс. - спб.: Питер, 2001. - 592 с.
4. Мансафов, Р.Ю. Новый подход к диагностике работы УСШН по динамограмме / Р.Ю. Мансафов // Инженерная практика. - 2010.
5. В.С.Медведев, В.Г.Потемкин. Нейронные сети в МаЙаЬ//ЗАО «Диалог МИФИ»-2001.
6. А. И. Галушкин, Нейронные сети. Основы теории//Горячая линия- телеком-2010.
7. Адонин А.Н. Добыча нефти штанговыми насосами. - М.: Недра,1979.- 213с.
8. Ишмурзин A.A. Повышение эффективности эксплуатации малодебитных нефтяных скважин. - Уфа: Издательство УГНТУ, 1998. - 48 с.
9 .Бренц А.Д. и др. Автоматизированные системы управления в нефтяной и газовой промышленности. -М.: Недра, 1982.
10. Хакимьянов М.И., Ковшов В.Д. Чикишев А.М., Максимов Н.С. Почуев А.И. КОНТРОЛЛЕРЫ АВТОМАТИЗАЦИИ УСТАНОВОК ШТАНГОВЫХ ГЛУБИННЫХ НАСОСОВ © Нефтегазовое дело, 2007
11. Емекеев А.А., Фролова В.Н., Гильмутдинов Ш.К. Материалы Научной сессии студентов по итогам 2008 года.Часть I - Альметьевск, Типография АГНИ, 2009. -308c.
12. П.Г. КРУГ НЕЙРОННЫЕ СЕТИ И НЕЙРОКОМПЬЮТЕРЫ Учебное пособие ИЗДАТЕЛЬСТВО МЭИ Москва 2002
29.Искусственная нейронная сеть
Ьйрз://ги.’Мк1реШа.огд/’Мк1/Искусственная_нейронная_сеть
30 Колесников Распознавание образов. Общие сведения http://old.ci.ru/inform03_06/p_24.htm
31. Персептрон https://ru.wikipedia.org/wiki/Перцептрон
32. Нейронные сети электронный учебник
Http://www.statsoft.ru/home/textbook/modules/stneunet.html
33. Нгуен Д. М. Влияние обучающих выборок на процесс обучения
Адаптивных нейро-нечетких сетей для решения задачи классификации деталей// Международный научно-исследовательский- 2013. - № 4.
34. Ковшов В. Д. Моделирование динамограммы станка-качалки /
Ковшов В. Д., Светлакова С. В., Сидоров М. Е. //Нефтяное хозяйство. - 2005. -№ П.-С. 84-88.
35. Ковшов В. Д. Моделирование динамограммы станка-качалки.
Нормальная работа насоса / Ковшов В. Д., Сидоров М. Е., Светлакова С. В.//Нефтегазовое дело. -2004. - Т. 2. - С. 75-81.


Работу высылаем на протяжении 30 минут после оплаты.




©2024 Cервис помощи студентам в выполнении работ